Metode peramalan currency forward rate Auto Regressive Integrated Moving Average (ARIMA ) tepat untuk peramalan jangka pendek, sedangkan Recurrent Neural Network (RNN) terdapat permasalahan vanishing gradient, Long Short Term Memory (LSTM) dan Quantum memberikan hasil berbeda dari segi dasar sains data, akurasi, dan jangkauan waktu peramalan. Selain itu, keputusan faktor penentu untuk mitigasi risiko valuta asing (valas) terhadap arus kas belum meyakinkan dalam memberikan penjelasan terhadap kepentingan lindung nilai terhadap eksposur nilai tukar. Sebab itu tujuan penelitian adalah menentukan peramalan dengan metode klasik, quantum dan analisis pengaruh currency forward rate terhadap arus kas.
Metode analisis adalah regresi berganda dan sampel penelitian adalah 100 perusahaan dari periode 2010 hingga 2023. ARIMA dipilih karena tepat untuk data tren, berpola musiman stabil, dan untuk jumlah data yang sedikit, tetapi kurang untuk data fluktuatif, LSTM tepat untuk data kompleks dan dinamis, dan quantum tepat untuk perhitungan kompleks dengan hasil lebih efisien.
Disamping itu lindung nilai di pasar valuta berjangka, menunjukkan impak yang tinggi di mana strategi lindung nilai ini dapat memoderasi hubungan kausal antara currency forward rate dengan cash flow. Implikasi dari kajian ini memberikan gambaran bagi perusahaan MNC dalam menentukan nilai forward rate untuk mitigasi risiko arus kas yang tentu dampaknya pada keberhasilan efisiensi biaya dan meningkatkan profitabilitas perusahaan.
Kata kunci : Auto Regressive Integrated Moving Average, deflator Produk Domestik Bruto, harga berjangka valas, harga saat ini, lindung nilai harga berjangka valas, Long Short Term Memory, Quantum.